【摘要】：智能交通系統(tǒng)是解決交通擁堵問題的關(guān)鍵方案之一,短時交通流預測作為智能交通系統(tǒng)的一個重要組成部分,其發(fā)展對于提高交通系統(tǒng)效率具有重要的意義。交通流具有高度的非線性和隨機不確定性,交通路網(wǎng)的拓撲結(jié)構(gòu)和連通性決定了同一路網(wǎng)中不同路段的交通流之間的相互影響,具有一定程度上的時空相關(guān)性。因此,高效精準的短時交通流預測是一個十分具有挑戰(zhàn)性的問題,本文以機器學習方法為主要工具,對短時交通流預測進行了系統(tǒng)的研究。(1)對嶺回歸(Ridge Regression)、最小二乘支持向量回歸(LSSVR)和多層感知機(MLP)模型進行了深入的研究,并在真實的交通流數(shù)據(jù)上進行建模和實驗。根據(jù)實驗結(jié)果可知,路網(wǎng)交通流的高度非線性使得嶺回歸模型在該問題中的精度不如另外兩種非線性模型,而兩種非線性模型中,LSSVR相比MLP有著計算量小的優(yōu)勢。(2)論述了集成學習方法的原理,分析了成功應(yīng)用集成學習方法的關(guān)鍵是如何構(gòu)造“好而不同”的個體學習器,并據(jù)此提出了EN-LSSVR模型,同時分析了要成功使用ENLSSVR模型必須要解決超參數(shù)優(yōu)化問題。(3)為解決EN-LSSVR模型的超參數(shù)優(yōu)化問題,在傳統(tǒng)和聲搜索算法HS的基礎(chǔ)上,提出一種基于雙和聲生成策略的改進算法DHS,并在多個數(shù)據(jù)集上通過實驗對比和分析了DHS與原始HS算法的收斂速度和優(yōu)化性能。實驗結(jié)果表明,與HS算法相比,改進的DHS算法具有更快的收斂速度,同時可以找到更優(yōu)的解。(4)將DHS算法應(yīng)用在EN-LSSVR模型的超參數(shù)優(yōu)化上,并在美國波特蘭市I84和I205州際公路采集到的真實交通流數(shù)據(jù)上進行了大量實驗。實驗結(jié)果表明,我們在構(gòu)建ENLSSVR模型時,采用的個體學習器構(gòu)造方式和結(jié)合策略有助于提高模型的預測性能;同時,與幾種常見的預測模型相比,EN-LSSVR模型具有更好的預測性能,且訓練時間也較少。
【學位授予單位】：江蘇大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U491.1
【圖文】：

圖 2.1 兩個工作日內(nèi)不同時刻的交通流量Fig.2.1 Traffic flow at different times in two working days基于上述的四點特性，在構(gòu)建交通流預測模型時，我們需要充分考慮到以下幾點：(1)準確性，這是交通流預測的基礎(chǔ)，準確性越高的預測越能幫助管理者或是智能交統(tǒng)做出合理的決策；相反，若預測準確性太差，則會導致做出錯誤的決策，甚至引發(fā)擁堵和交通事故等嚴重問題，造成巨大的經(jīng)濟損失和資源浪費。(2)可靠性，交通流受許多不確定因素的影響，呈現(xiàn)出一定的隨機不確定性，因此，交通流預測模型時需要考慮模型能否抗干擾，在各種情況下都能產(chǎn)生穩(wěn)定可靠的預測(3)時空相關(guān)性，交通流的路網(wǎng)性決定了其時空相關(guān)性，所以搭建一個能考慮到交通空相關(guān)性的模型將才能得到高精度、高抗干擾能力的預測結(jié)果。.2 考慮到時空相關(guān)性的短時交通流預測

的基礎(chǔ)理論[40][41]（MultilayerPerceptron，MLP）是人工神經(jīng)網(wǎng)絡(luò)的一種包括輸入層、隱藏層和輸出層三個部分。最簡單的 MLP 模圖 3.2 所示。其中，1,2, , 1,1 為輸入，1,2, ,1為樣本的特征， 1為樣本的特征數(shù)， 2為對應(yīng)的輸出個數(shù)MLP 的輸入為當前及歷史時刻的交通流數(shù)據(jù) ( ), (, ∈ ，1 則是為了構(gòu)造偏置項（類似于上一小節(jié)中構(gòu)造, , ，對應(yīng)于需要預測的未來時刻的交通流數(shù)據(jù) ( 向，而且這種流向是單向的。此外，可以看出，MLP 模型一層的所有節(jié)點都與下一層的每一個節(jié)點連接，同時，同這些結(jié)構(gòu)特點表明 MLP 模型是一種前饋神經(jīng)網(wǎng)絡(luò)。

基于 EN-LSSVR 模型的短時交通流預測方法研究第四章 基于集成 LSSVR 模型的短時交通流預測模型1 集成學習方法的理論集成學習（Ensemble Learning）指的是通過構(gòu)建并融合多個個體學習器（也被稱為習器或是弱學習器）來完成學習任務(wù)、實現(xiàn)更好效果的一種“博采眾長”的建模策于機器學習模型，分類或預測精度是模型性能的重要甚至是首要的指標，然而，構(gòu)造精度很高的模型通常是十分困難，相對的，構(gòu)建一個精度沒那么高的模型通常很容arns 等[51]通過研究證明了只要有足夠的數(shù)據(jù)，弱學習方法就能通過集成的方式得到任精度的估計。圖 4.1 顯示了集成學習的一般結(jié)構(gòu)：先構(gòu)建一組不同的個體學習器，再一種結(jié)合策略將它們?nèi)诤掀饋淼玫郊赡Ｐ偷妮敵觥?

【相似文獻】

相關(guān)期刊論文 前10條

1 徐依虹;;基于移動平均法預測短時交通流參數(shù)的步長選定[J];中國水運(下半月);2017年04期

2 于振洋;;小波消噪的神經(jīng)網(wǎng)絡(luò)短時交通流量預測模型[J];計算機仿真;2012年09期

3 田晶;楊玉珍;陳陽舟;;短時交通流量兩種預測方法的研究[J];公路交通科技;2006年04期

4 蔣海峰;馬瑞軍;魏學業(yè);溫偉剛;;一種基于小數(shù)據(jù)量的快速識別短時交通流混沌特性的方法[J];鐵道學報;2006年02期

5 華冬冬,陳森發(fā);非線性短時交通流的一種神經(jīng)網(wǎng)絡(luò)預測方法[J];現(xiàn)代交通技術(shù);2004年01期

6 楊慧慧;;城市道路短時交通流預測方法研究[J];河南科技;2018年26期

7 韋凌翔;陳紅;王永崗;張敏;王龍飛;;基于相關(guān)向量機的短時交通流量平滑處理方法[J];西北大學學報(自然科學版);2017年01期

8 馬飛虎;饒志強;;城市道路短時交通流預測方法研究[J];公路;2017年06期

9 張晗寒;梁禹民;陶世寧;韓旭;;基于大數(shù)據(jù)的交通信號實時優(yōu)化研究[J];工程建設(shè)與設(shè)計;2017年05期

10 陸海亭;張寧;黃衛(wèi);夏井新;;短時交通流預測方法研究進展[J];交通運輸工程與信息學報;2009年04期

相關(guān)會議論文 前4條

1 翁小雄;翦俊;;短時交通流頻譜分析與預測[A];第二十六屆中國控制會議論文集[C];2007年

2 田夫;李勇;孫占全;;短時交通流預測方法研究[A];2007第三屆中國智能交通年會論文集[C];2007年

3 張利;李星毅;施化吉;;一種基于ARIMA模型的短時交通流量改進預測算法[A];2007第三屆中國智能交通年會論文集[C];2007年

4 張軍;;智能交通學術(shù)研究進展[A];中國機械工程學會機械自動化分會&中國自動化學會制造技術(shù)專委會學術(shù)工作進展報告 2017[C];2017年

相關(guān)重要報紙文章 前2條

1 記者 李君光 通訊員 梁書文;春節(jié)假期車流量創(chuàng)新高達37萬余輛[N];北海日報;2017年

2 本報記者 李嬋;交通擁堵為何預測不準[N];北京科技報;2010年

相關(guān)博士學位論文 前1條

1 張曉利;基于非參數(shù)回歸的短時交通流量預測方法研究[D];天津大學;2007年

相關(guān)碩士學位論文 前10條

1 蔡新聞;基于EN-LSSVR模型的短時交通流預測方法研究[D];江蘇大學;2019年

2 趙慶;面向短時交通流分析與預測的循環(huán)神經(jīng)網(wǎng)絡(luò)算法研究[D];西安理工大學;2019年

3 尹楊;基于深度學習的路網(wǎng)短時交通流分析與預測研究[D];西安郵電大學;2019年

4 熊芷萱;基于改進的極限學習機短時交通流預測模型研究[D];湖南大學;2016年

5 劉永超;短時交通流量預測分析[D];蘭州交通大學;2018年

6 康丹青;基于深度學習的短時交通流預測方法研究[D];哈爾濱理工大學;2018年

7 李星;融合天氣因素的短時交通流深度預測算法[D];長安大學;2018年

8 喬松林;基于深度學習的短時交通流量預測研究[D];青島大學;2018年

9 王苗苗;基于機器學習的短時交通流預測方法研究[D];長安大學;2017年

10 饒志強;南昌市短時交通流預測方法研究[D];華東交通大學;2017年

本文編號：2756739